Использование искусственных нейронных сетей для дифференциальной диагностики в патоморфологических исследованиях
|
|
Скачать 144.06 Kb.
|
|
ISBN 978-5-7262-1226-5. НЕЙРОИНФОРМАТИКА – 2010. Часть 2 В.В. РУАНЕТ, А.К. ХЕТАГУРОВА, Е.М. ПАЛЬЦЕВА Медицинский колледж Российской академии медицинских наук, Москва ruanet@mail.ru ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ДИФФЕРЕНЦИАЛЬНОЙ ДИАГНОСТИКИ В ПАТОМОРФОЛОГИЧЕСКИХ ИССЛЕДОВАНИЯХ При диагностике начальных стадий развития опухолевого процесса в ряде случаев возникают различные оценки исследуемого материала и расхождения в морфологическом диагнозе, связанные с целым рядом как объективных, так и субъективных факторов. В работе представлены результаты использования искусственных нейронных сетей (ИНС) для дифференциальной диагностики некоторых злокачественных новообразований головного мозга по данным морфологических и иммуногистохимических исследований. Введение С каждым годом растет уровень технического обеспечения лечебного процесса, следствием чего является огромный массив данных, описывающих состояние пациента. Своевременное предоставление клинико-диагностической информации непосредственно влияет на качество лечения. Формы и методы организации ее обработки необходимо рассматривать как составную часть современных медицинских технологий. Вопросы классификации вообще и идентификации объектов, основанные, в частности, на работе с их изображениями, в современной методологической литературе, понимаются как особый вид познавательного процесса. Вопросы классификации и идентификации сложных систем, а так же предикции их поведения, частным случаем которой является постановка диагноза по данным клинико-диагностических исследований, всегда вызывала горячие дискуссии в научном мире [1, 2]. Процесс описания биологического объекта осуществляется с помощью набора признаков. Выбранные понятия лежат в основе формирования признакового пространства, например, при описании гистохимических препаратов. К настоящему времени разработана довольно стройная научная система оценки качества и эффективности диагностики с учетом ее вероятностного характера. Методы оценки качества и эффективности диагностики и диагностических тестов основаны на взвешивании вероятностей возможных диагностических ошибок и их последствий и тесно связаны со статистическими методами, применяемыми для оценки медицинских данных. Но дело в том, что "вероятностный взгляд на мир" сопряжен с рядом допущений, которые оказывают негативное влияние на точность и адекватность принимаемых решений [3]. Любые медицинские исследования должны опираться на точную идентификацию объекта изучения. Это, казалось бы, тривиальное утверждение не всегда является руководством к действию. Этому есть как объективные, так и субъективные предпосылки. К первым можно отнести следующие: - Во-первых, значительная часть исследований проводится на относительно немногочисленных, с точки зрения статистического анализа, тест-объектах, например, число пациентов, вовлеченных в клинико-диагностические исследования редко встречающихся патологии, может описываться единичными случаями. - Во-вторых, полиморфизм патогенеза у разных пациентов может сильно варьировать, и реально представляют его лишь немногие врачи, специализирующиеся на его изучении. Например, значительные сложности возникают при попытке формализации данных цитогенетических, патогистохимических и т.п. исследований. Это обусловлено: высокой вариабельностью морфологии клеток и клеточных структур; ограничениями в технических параметрах систем, используемых для взятия изображений; недостаточной контрастностью границ клеточных структур; частичной утратой информации в плоских изображениях по сравнению с трехмерным оригиналом; неравномерной окрашенностью препаратов и др. [4]. - В-третьих, существует немало заболеваний, диагностика которых представляет большие сложности, т.к. они имеют сходный набор диагностических признаков (схожие признаковые пространства), и диагносту трудно классифицировать патологию по результату клинико-диагностических исследований [5]. Например, многолетний опыт проведения патогистологических исследований показал, что при морфологической диагностике ряда онкологических заболеваний нередко возникают различные оценки исследуемого материала и расхождения в диагнозе, связанные с целым рядом как объективных, так и субъективных факторов. Особую трудность в дифференциальной диагностике представляют опухоли, располагающиеся в одной и той же области и имеющие схожее гистологическое строение, однако относящиеся к различным группам [6]. Кроме того, успешная оценка гистологического препарата невозможна без накопления специалистом опыта работы, который позволяет врачу не просто механически анализировать признаки в соответствии с общепринятыми критериями, а сравнивать их с теми образцами, которые он запомнил в ходе работы. Чем больше опыт врача и больше его «фототека», тем выше вероятность того, что он правильно оценит гистологические особенности изучаемого образца ткани. Поэтому давно осознана необходимость приобретения знаний от специалистов-экспертов с последующей их передачей, в виде “компьютеризированного знания”, для последующей консультации пользователей иного уровня квалификации. Вообще, необходимо отметить, что передача знаний, основанных на опыте и интуиции, которые необходимы для решения трудноформализуемых задач, в частности в медицине, очень сложна. Все выше перечисленное затрудняет объективизацию процедуры принятия решения с применением математических подходов обработки информации, получаемой в ходе клинико-диагностических исследований. Попытки компьютеризировать процессы идентификации, основанные на применении специальных методик окраски биологических объектов, с их последующей микроскопией, в данное время активно разрабатываются [7]. ^ Использование нейросетевых технологий для анализа обработки и интерпретации информации, полученной в ходе патоморфологических исследований. ^ Материалом для исследования послужили опухоли головного мозга (глиобластомы и метастазы злокачественной меланомы), полученные при операциях. Гистологическое исследование проводили на срезах с парафиновых блоков, окрашенных гематоксилином и эозином. Иммуногистохимическое (ИГХ) исследование проводили на срезах с парафиновых блоков толщиной 3-4 мкм стандартным иммунопероксидазным методом с использованием высокочувствительной полимерной системы визуализации и моноклональных первичных антител. Результаты реакции оценивали полуколичественным методом Обработку результатов проводили с помощью свободно распространяемого нейросетевого имитатора – "NeuroPro 0.25". Его функционирование основано на использовании принципа многослойного персептрона. Для проведения статистического анализа полученных результатов использовали программу "STATISTICA for Windows StatSoft, Inc." ^ В онкологии невозможно поставить правильный диагноз без патогистологического исследования. Но применение обычных гистохимических окрасок во многих случаях оказывается недостаточным для постановки диагноза. Тогда прибегают к специальному методу исследования – иммуногистохимии (одна из методик окраски биологических объектов с последующим микроскопированием), которая позволяет точно локализовать изучаемый компонент ткани. Для опухолей различных тканей характерна различная экспрессия антигенов и применение иммуногистохимического метода исследования позволяет поставить правильный диагноз по совокупности морфологических характеристик и данных экспрессии антигенов [8]. Особенно это актуально для дифференциальной диагностики первичных опухолей какого-либо органа и метастазов в него из первичной опухоли другой локализации. Самым сложным для постановки диагноза патологоанатомом является метастаз без выявленного первичного очага, когда отсутствуют анамнестические данные о первичной опухоли, и только с помощью иммуногистохимии удается установить, в каком органе находится опухоль, и откуда распространяются метастазы. От правильного диагноза зависит прогноз и дальнейшее лечение больного. Первичные и метастатические опухоли требуют различного ведения пациентов (поиск первичной локализации меланомы) и лечения (применяются различные химиотерапевтические препараты). Поэтому их дифференцировка является крайне важной [9]. Нами были выбраны два достаточно часто встречающихся заболевания с высокой степенью злокачественности – глиобластома и метастаз злокачественной меланомы в головной мозг. При этом для постановки диагноза «метастаз меланомы» необходимо проведение иммуногистохимического типирования опухоли, как и для большинства других метастазов. Каждое из двух описываемых нами заболеваний имеет свою морфологическую картину, но, особенно, для начинающего специалиста постановка диагноза может оказаться затруднительной. Для дифференциальной диагностики выбранных патологий была создана диагностическая система на базе многослойного персептрона (МСП). Схема создания системы включает в себя следующие этапы: 1 – формирование базы данных; 2 – нахождение оптимальных параметров сети; 3 – обучение сети; 4 – тестирование системы. При отборе параметров, необходимых для формирования базы данных, руководствовались их ориентировочной важностью для процесса постановки диагноза. Для удобства они делились на группы: макроскопические характеристики, гистологические и иммуногистохимические признаки опухоли (6, 14 и 30 параметров соответственно) Ниже приведены цифровые значения, присвоенные соответствующим параметрам при кодировании: ^ 0 – данный признак не используется для диагностики данного заболевания; 1 – наличие признака (есть); 2 – отсутствие признака (нет); 3 – трудно дать однозначный ответ. ^ 0 – данный признак не используется для диагностики данного заболевания; 1 – наличие признака (есть); 2 – отсутствие признака (нет); 3 – скорее отрицательно; 4 – скорее положительно. Таблица 1 ^
В табл. 1 обобщены результаты исследований по влиянию конфигурации сети не процесс ее обучения и экспертные возможности. Как показывает наш опыт работы с NeuroPro 0.25, важным является момент, связанный с количеством циклов обучения сети. Как видно из данных, представленных в табл. 1, максимальное количество циклов обучения сети не должно превышать 300. После решения вопросов, касающихся составления базы данных и нахождения оптимальных параметров для сетей, была создана диагностическая система для дифференциальной диагностики первичной злокачественной опухоли головного мозга – глиобластомы и метастаза злокачественной меланомы в головной мозг. Алгоритм работы с системой строится следующим образом: Система состоит из двух трехслойных персептронов. Первый МСП (I), по данным макроскопических и гистологических характеристик, ставит предварительный диагноз и определяет набор антител, необходимый для процедуры дифференциальной диагностики новообразований. В табл. 2 представлены результаты влияния конфигурации сети на ее экспертные возможности. Представленные данные свидетельствуют, что только трехслойные персептроны смогли со стопроцентным результатом обучиться распознавать обучающую выборку. Второй (II) обучен классифицировать опухоль по макроскопическим, гистологическим и иммуногистохимическим характеристикам. Таблица 2 ^
Алгоритм работы врача патологоанатома с диагностической системой строится следующим образом: 1. Определение и описание макроскопических характеристик присланного в лабораторию биопсийного или операционного материала согласно отобранным параметрам, их кодирование согласно предложенным кодам и формирование из полученных цифровых значений электронной таблицы. 2. Определение и описание гистологических характеристик препаратов, их кодирование и внесение цифровых значений в электронную таблицу. 3. Внесение данных электронной таблицы в систему МСП-I. 4. Получение ответа системы – предполагаемый диагноз и рекомендуемый набор антител. 5. После проведения иммуногистохимических реакций, с отобранными, по результатам работы системы (ответ системы, полученный в п. 4) антителами врач смотрит и оценивает готовые препараты и вносит результаты в электронную таблицу. 6. Данные электронной таблицы вводят в систему МСП-II. 7. Система выдает ответ. Классификация новообразования осуществляется как I, так и II МСП. Такой алгоритм определения повышает надежность системы и увеличивает уверенность врача в полученном диагнозе. В спорных случаях рекомендуется воспользоваться методом «консилиума» [10]. По аналогичной схеме была создана и функционирует диагностическая система (ДС) для обработки результатов морфологических и иммуногистохимических исследований гастроинтестинальных стромальных опухолей с гладкомышечной дифференцировкой и лейомиосарком толстой кишки, полученных при оперативном вмешательстве. Средний показатель правильных ответов обеих систем составил 98,64% (р <� 0.041) при независимой экспертизе1. После постановки диагноза «глиобластома» в современных молекулярно-генетических лабораториях возможно проведение дополнительного исследования для определения прогноза течения данного заболевания, а также прогноза эффективности лечения одним из наиболее широко применяемых для этого препаратов – темодалом. Такое исследование обеспечивает не только проведение адекватной терапии заболевания, но и экономическую эффективность лечения онкологического больного дорогостоящим препаратом. Для этого проводят анализ метилирования гена MGMT в ткани опухоли. Если метилирование есть, то лечение темодалом будет эффективным, и прогноз считается благоприятным. Если метилирования нет, то лечение темодалом не будет эффективным и для терапии выбирают какой-либо другой препарат. Эта информация может быть внесена в качестве выходных полей для ДС. Т.е. если система диагностирует глиобластому, то кроме диагноза врач получает рекомендацию на проведение реакции метилирования и в зависимости от ее результата рекомендуемый препарат и прогноз течения заболевания. Использование двух многослойных персептронов в одной системе, кроме повышения уровня надежности диагностирования, обеспечивает снижение стоимости проведения иммуногистохимического исследования более чем на 11,5% (р <� 0.027) за счет экономии дорогостоящих реактивов (антител). Еще более значительный эффект не только экономический, но в большей степени социальный, связан со своевременным назначением темодала, который при правильном и своевременно поставленном диагнозе дает хороший терапевтический эффект. Заключение Анализ, обработка и управление информацией, получаемой в ходе работы со сложными биологическими системами, в частности, связанные с созданием баз данных, систем поддержки принятия решений, обработкой образов и т.п., приобретает особое значение в связи с развитием и широким применением в клинико-диагностических исследованиях биохимических, гистохимических, цитогенетических и ряда других методов диагностики, результаты которых, как правило, представлены в виде изображений (электрофореграмм, окрашенных препаратов, фотографий хромосом и т.п.). Статистические методы оценки подобной информации, поступающей в ходе клинико-диагностического процесса, не всегда способны решать поставленные задачи классификации и предикции. Степень объективизации результатов классификации и идентификации, как нам кажется, зависит от механизмов получения информации (визуальные, инструментальные, математические), которые лежат в основе формирования признакового пространства. В современной системе диагностики, на наш взгляд, все большее значение должны приобретать процедуры идентификации, опирающиеся на объективные механизмы распознавания, включающие привлечение к процессу современных математических процедур и информационных технологий. Использование искусственных нейронных сетей значительно упрощает не только постановку диагноза, особенно для начинающих специалистов, но и способствует передаче накопленного предшественниками и коллегами практического опыта. Следует также отметить, что на сегодняшний день нейросетевые технологии являются, пожалуй, единственным подходом, способным привнести в системы поддержки принятия решений подобие человеческой интуиции, так необходимой в медико-биологической сфере человеческой деятельности. Поскольку в онкологии постановка диагноза невозможна без морфологического исследования, то ответственность врача-патологоанатома велика, и от его диагноза зависит выбор дальнейшего лечения больного. Внедрение в практику здравоохранения диагностических систем на основе искусственных нейронных сетей повышает вероятность постановки верного диагноза, что обеспечит последующее правильное лечение больного, а также минимизирует врачебные ошибки. Список литературы
1Определение тестируемых образцов с помощью соответствующих интеллектуальных систем проводили пользователи (10-15 человек), прослушавшие разработанный нами курс нейроинформатики для специалистов медико-биологического профиля. Работа всех разработанных систем подвергалась проверкам подобным образом. УДК 004.032.26(06) Нейронные сети |
Ваша оценка этого документа будет первой.
Ваша оценка:
Похожие:
База данных защищена авторским правом ©MedZnate 2000-2016
allo, dekanat, ansya, kenam
обратиться к администрации | правообладателям | пользователям
allo, dekanat, ansya, kenam
обратиться к администрации | правообладателям | пользователям